ورود / ثبت نام

نویز و تکنیک‌های حذف آن در fNIRS

همانند سایر سیستم های تصویر برداری، نویز در سیگنال تداخل ایجاد می کند و اگر SNR ، از حدی پایین-تر شود، اطلاعات مورد نظر را نمی توان از تصویر تشخیص داد.

منابع نویز

همانند سایر سیستم های تصویر برداری، نویز در سیگنال تداخل ایجاد می کند و اگر SNR ، از حدی پایین-تر شود، اطلاعات مورد نظر را نمی توان از تصویر تشخیص داد.

به همین منظور لازم است با منابع نویز آشنا شویم و با تکنیک های حذف نویز، بتوانیم میزان آن ها را به حداقل برسانیم. منابع نویز شامل موارد زیر هستند:

آرتیفکت‌های حرکتی

حرکت سر و حرکت فیبرهای نوری ممکن است موجب جابجایی سنسورهای نوری شود و متعاقبا ایجاد پیک های فرکانس بالا و شیفت صفر می شوند که این آرتیفکت ها معمولا قبل از پردازش حذف می شوند. البته میزان آرتیفکت حرکتی در fNIRS نسبت به روش های EEG و FMRI کمتر است(3).

نویز محیطی

به علاوه سنسورهای نوری به نور خورشید نیز حساس هستند که باعث ایجاد نویز اضافی در سیگنال می-شوند. استفاده از کلاه سایه دار منجر به شیلد موثر در برابر نور خورشید می شود که از اشباع آشکارساز و کاهش SNR جلوگیری می کند(1).

نویز فیزیولوژیکی

اغلب فوتون های نوری به جمجمه می رسند و تعداد کمتری به بافت های عمقی تر برخورد می کنند، بنابراین نوسانات همودینامیکی در جمجمه باعث ایجاد تداخل در پاسخ تحریکی مغز می شوند. ازجمله این نوسانات همودینامیکی می توان به فشارخون، تنفس و تغییرات نرخ ضربان قلب و جریان خون پوست اشاره کرد(3).

نویز دستگاه

نور ساطع شده از منبع نوری، اغلب نوسانی است و موجب ایجاد نویز در آشکارساز می شود و ما اشتباه احساس می کنیم که جریان خون تغییر کرده است؛ که این نویز، ناشی از منبع تغذیه نویزی می باشد؛ به منظور حذف این نویز بایستی منابع نوری، نور را تا حد ممکن به صورت ثابت بتابانند (4).

نویز آشکارساز

در آشکارسازهای نوری سه نوع مختلف نویز وجود دارد (2):

1- نویز ذاتی

این نویز در ذات فوتون ها وجود دارد و وارد آشکارسازها می شود و توزیع غیریکنواخت ایجاد می کند. برای اندازه گیری دقیق تر باید نور بیشتری در یک پنجره زمانی وارد آشکارساز شود. نویز ذاتی همواره حضور دارد و می توان با شیلدکردن آشکارساز نوری از اشعه محیطی، استفاده از فیلتر میان گذر در محدوده نور مادون قرمز نزدیک یا استفاده از پوشش مات، مقدار آن را به حداقل رساند. با تقویت داخلی سیگنال، میزان این نویز بیشتر می شود که باعث می شود نوساناتی را در آشکارساز مشاهده کنید.

2-جریان تاریک

جریانی که در شرایط تاریک اندازه گیری می شود. به عنوان مثال می تواند ناشی از تولید گرمای جفت الکترون-حفره در فوتودیود باشد که با خنک کردن می توان مقدار آن را کاهش داد.

3- نویز حرارتی

نویز حرارتی اغلب در رزیستورها در داخل و خارج آشکارساز و ناشی از حرکت الکترون ها ایجاد می شود.

در آشکارسازها، نویز ذاتی و جریان تاریک با سیگنال تقویت می شوند. نویز حرارتی در مقایسه با سیگنال، کوچک و قابل صرفنظر است. سیگنال خروجی آشکارسازها تقویت و فیلتر می شود و سپس به دیجیتال تبدیل می شود (2).

تکنیک های حذف نویز

مدل مناسب برای حذف نویز فیزیولوژیکی، استفاده از فیلتر میان گذر، فیلتر میانگین گیری و تکنیک های رگرسیون همچون تبدیل ویولت می باشد. با استفاده از متوسط گیری می توان شدت این نویزها را کاهش داد و از رگرسیون برای تخمین میزان تداخل فیزیولوژیکی و حذف آن از پاسخ مغزی استفاده می کنند(3). البته فیلتر میان گذر ممکن است باعث حذف اتفاقی فرکانس های مربوط به پاسخ همودینامیکی شود؛ زیرا ممکن است با باندهای فرکانسی نویزهای فیزیولوژیکی همپوشانی داشته باشد. به همین خاطر باید از تکنیک های قوی تر حذف نویز همچون تبدیل ویولت به منظور حفظ پاسخ همودینامیکی و روش ICA که تکنیک قوی جداکننده نویز از سیگنال است، استفاده کنیم(4). به منظور حذف آثار آرتیفکت های حرکتی، روش های هموارسازی مانند فیلتر ویولت برای حذف پیک های تیز، روش های مناسبی هستند. هم-چنین از روش هایی مثل tPCA برای تصحیح شیفت صفر استفاده می شود(3).

دیتاهای ثبت شده را می توان با استفاده از نرم افزار پیش پردازش in-house وارد محیط متلب کرد و پردازش های زیر را روی سیگنال مورد نظر انجام داد (شکل1):

  1. به منظور کاهش نرخ نمونه برداری با فرکانس مورد نظر از spline interpolation (interp1: matlab function) استفاده می کنیم.
  2. دترند خطی: دریفت آهسته ی سیگنال را با استفاده از linear interpolation (polyfit: matlab function) در حالت استراحت و ابتدا و انتهای آزمایش حذف می کنیم.
  3. تصحیح آرتیفکت حرکتی: با روش تبدیل ویولت می توانیم آرتیفکت های حرکتی را برای هر کانال شناسایی و حذف کنیم(wt: matlab function) و کیفیت سیگنال ها را با روش CBSI بهبود دهیم.
  4. فیلتر میان گذر: از فیلتر میان گذر باترورث استفاده می کنیم(butter and filter: matlab function)

شكل ‏3‌.‌‌1 نمونه ای از پیش پردازش سیگنال، A شكل ‏3‌.‌‌1 نمونه ای از پیش پردازش سیگنال، A : تغییرات نسبی HHb و Hbo2. B : فلوچارت پیش پردازش سیگنال. C : سیگنال حاصل پس از اعمال پیش پردازش. D و E : انتخاب یک یک سری زمانی کوچک برای مشاهده روند تغییرات همودینامیکی پس از پیش پردازش (1).

آقای کلاور و همکارانش دریافتند که رزولوشن تصویر وابسته به نسبت سیگنال به نویز(SNR)، عمق بافت و چگالی آشکارساز و منبع نوری است که SNR بالاتر موجب افزایش رزولوشن تصویر خواهد شد؛ هم-چنین هرچه عمق بافت بیشتر باشد، رزولوشن مکانی تصویر کمتر می شود. چگالی مهم ترین عاملی است که با افزایش تعداد منابع نوری و آشکارسازها موجب افزایش رزولوشن تصویر می شود (2).

منابع و مراجع

  1. Pinti P, Aichelburg C, Lind F, Power S, Swingler E, Merla A, et al. Using fiberless, wearable fNIRS to monitor brain activity in real-world cognitive tasks. Journal of visualized experiments: JoVE. 2015 (106).
  2. Scholkmann F, Kleiser S, Metz AJ, Zimmermann R, Pavia JM, Wolf U, et al. A review on continuous wave functional near-infrared spectroscopy and imaging instrumentation and methodology. Neuroimage. 2014;85:6-27.
  3. Yücel MA, Selb JJ, Huppert TJ, Franceschini MA, Boas DA. Functional near infrared spectroscopy: enabling routine functional brain imaging. Current Opinion in Biomedical Engineering. 2017.
  4. Naseer N, Hong K-S. fNIRS-based brain-computer interfaces: a review. Frontiers in human neuroscience. 2015;9:3.

گردآوری: عرفان رضایی، عضو شاخه دانشجویی نقشه برداری مغز ایران

دیدگاه ها

برای ثبت دیدگاه کافیست وارد حساب کاربری خود شوید.

خبرنامه آزمایشگاه ملی نقشه برداری مغز

با عضویت در خبرنامه آزمایشگاه ملی نقشه برداری مغز از آخرین اخبار و رویدادها مطلع شوید.

پرداخت هزینه آزمایشات دریافت گواهی پشتیبانی
صفحه اصلی
جستجو
دسته بندی
باشگاه
حساب کاربری